XiaoMi-AI文件搜索系统
World File Search SystemSISR
图像超分辨率的生成对抗网络
单图像超分辨率（SISR）在图像处理领域起着重要作用。最近的生成对抗网络（GAN）可以在具有小样本的低分辨率图像上取得出色的结果。但是，几乎没有一些文献总结了SISR中不同的剂量。在本文中，我们从不同的角度对gan进行了比较研究。我们首先看一下甘斯的发展。第二，我们为图像应用中的大型和小样本中提供了流行的植物体系结构。然后，我们分析了基于gan的优化方法的动机，实施和差异，以及对图像超分辨率的歧视性学习，以受监督，半监督和无监督的方式来进行，在这些方面，通过整合不同的网络体系结构，先验知识，损失功能和多个任务来分析这些gans。接下来，我们通过SISR中的定量和定性分析在公共数据集上比较了这些受欢迎的gan的性能。最后，我们重点介绍了gan的挑战和SISR的潜在研究点。
量子退火实现单幅图像超分辨率
本文提出了一种基于量子计算的算法来解决单图像超分辨率（SISR）问题。SISR 的一个著名经典方法依赖于成熟的逐块稀疏建模。然而，该领域的现状是深度神经网络（DNN）已表现出远超传统方法的效果。不过，量子计算有望很快在机器学习问题中变得越来越突出。因此，在本文中，我们有幸对将量子计算算法应用于 SISR 这一重要的图像增强问题进行了早期探索。在量子计算的两种范式，即通用门量子计算和绝热量子计算（AQC）中，后者已成功应用于实际的计算机视觉问题，其中量子并行性已被利用来有效地解决组合优化问题。本研究展示了如何将量子 SISR 公式化为稀疏编码优化问题，该问题使用通过 D-Wave Leap 平台访问的量子退火器进行求解。所提出的基于 AQC 的算法被证明可以实现比传统模拟更快的速度，同时保持相当的 SISR 精度 1 。
轻量级图像的完全1×1卷积网络...
摘要：深层卷积神经网络，尤其是具有较大内核的大型模型（3 3或更多），已经在单像超分辨率（SISR）任务中取得了重大进展。但是，此类模型的大量计算足迹阻止了它们在实时，资源约束的环境中的影响。相反，1 1卷积具有实质性的计算效率，但在汇总局部空间表示方面挣扎，这是SISR模型的重要能力。响应这种二分法，我们建议统一3 3和1 1个内核的优点，并利用其轻巧的SISR任务的巨大潜力。具体，我们提出了一个简单而有效的1 1 1卷积网络，称为基于Shift-Conv的网络（SCNET）。通过合并无参数的空间移动操作，完全1 1卷积网络配备了强大的表示能力和令人印象深刻的计算效率。广泛的实验表明，尽管SCNET完全1 1 1卷积结构，但始终匹配甚至超过了采用常规卷积的现有轻质SR模型的性能。可以在https://github.com/aitical/scnet上找到代码和验证的模型。
增强型生成对抗网络，用于 3D 脑 MRI 超分辨率
用于磁共振成像 (MRI) 的单图像超分辨率 (SISR) 重建引起了人们的极大兴趣，因为它不仅可以加快成像速度，还可以改善可用图像数据的定量处理和分析。生成对抗网络 (GAN) 已被证明在图像恢复任务中表现良好。在这项工作中，我们遵循 GAN 框架并开发了一个与鉴别器相结合的生成器来解决 T1 脑 MRI 图像上的 3D SISR 任务。我们开发了一种新颖的 3D 内存高效的残差密集块生成器 (MRDG)，其在 SSIM（结构相似性）、PSNR（峰值信噪比）和 NRMSE（归一化均方根误差）指标方面实现了最先进的性能。我们还设计了一个金字塔池化鉴别器 (PPD) 来同时恢复不同尺寸尺度上的细节。最后，我们引入了模型混合，这是一种简单且计算效率高的方法，可以平衡图像和纹理
此微管不存在：扩散模型的超分辨率显微镜图像生成
生成模型（例如Di usion模型）在近年来已取得了显着的进步，从而使能够综合各个领域的高质量现实数据。在这里，探索了在超分辨率显微镜图像上的分解模型的适应和训练。表明，生成的图像类似于实验图像，并且生成过程不会从训练集中的现有图像中显示出很大程度的记忆。为了证明生成模型在数据增强中的有用性，将基于基于学习的高分辨率数据训练的基于深度学习的单位图（SISR）方法的性能与单独使用实验图像或数学建模产生的图像进行了比较。使用一些实验图像，改进了重建图像的重建质量和空间分辨率，从而展示了分解模型图像产生的潜力，以克服显微镜图像收集和注释的限制。最后，该管道公开可用，可在线运行和用户友好，以使研究人员能够生成自己的合成显微镜数据。这项工作证明了显微镜任务的生成分歧模型的潜在贡献，并为其在该领域的未来应用铺平了道路。
现代宗教：将神圣重新定位到自我和数字（国际宗教与社会研究，12）
本书是我们与 Karen Pärna（马斯特里赫特大学）在 2005 年 7 月于萨格勒布举行的第 28 届 ISSR/SISR 会议上共同组织的五场以“现代宗教”为主题的会议的成果。因此，我们首先要感谢 Karen Pärna 与我们一起组织这些富有成果的会议。本书中的其他几篇论文已在会议后入选，其中包括两篇重印文章。我们感谢 Wiley/Blackwell 允许转载 Kelly Besecke 的《看见无形的宗教：宗教作为关于超然意义的社会对话》（首次发表于 2005 年《社会学理论》23 (2): 179-196），感谢 Taylor & Francis 允许转载我们的文章《超越精神超市：新时代精神的社会和公共意义》（首次发表于 2006 年《当代宗教杂志》21 (2): 201-222）。最后，我们感谢 Jamila Belabas 完成了手稿的大部分最终编辑工作。
现代宗教：将神圣重新定位到自我和数字（国际宗教与社会研究，12）
本书是 2005 年 7 月在萨格勒布举行的第 28 届 ISSR/SISR 会议上，我们与马斯特里赫特大学的 Karen Pärna 共同组织的五场以“现代宗教”为主题的会议的成果。因此，我们首先要感谢 Karen Pärna 与我们一起组织这些富有成果的会议。本书中的其他几篇论文已在会议结束后入选，其中包括两篇重印文章。我们感谢 Wiley/Blackwell 允许转载 Kelly Besecke 的《看见无形的宗教：宗教作为关于超然意义的社会对话》（首次发表于 2005 年《社会学理论》23 (2): 179-196），以及 Taylor & Francis 允许转载我们的文章《超越精神超市：新时代精神的社会和公共意义》（首次发表于 2006 年《当代宗教杂志》21 (2): 201-222）。最后，我们感谢 Jamila Belabas 完成了手稿的大部分最终编辑工作。
使用扩散模型 - 补充材料
所提出的StableVSR建立在单个图像超分辨率（SISR）的预训练潜在扩散模型（LDM）上。我们使用稳定的扩散×4上放大器（SD×4 Upscaler）4。它遵循LDM框架[14]，该框架将迭代精炼过程执行到潜在空间中，并使用VAE解码器D [7]将潜伏期解码为RGB图像。从低分辨率的RGB图像LR（条件图像）和初始嘈杂的潜在X t开始，使用denoising Unet ϵθ用于通过迭代改进过程生成高分辨率对应物。在此过程中，从LR引导的X t逐渐消除了噪声。在定义数量的采样步骤之后，使用VAE解码器D [7]将获得的潜在X 0解码为高分辨率的RGB图像HR。所获得的图像HR的分辨率比低分辨率图像LR高的分辨率高，因为D执行×4升级。实际上，低分辨率的RGB图像LR和初始噪声潜在X t沿通道尺寸加入并输入到denoising unet中。
DoDM 5105.21，第 1 卷，“敏感隔离信息 (SCI) 管理安全手册：信息和信息系统安全管理”，2012 年 10 月 19 日； 2020 年 10 月 6 日纳入变更 2
(e) 公法 116-92，“2020 财年国防授权法案”，2019 年 12 月 20 日 (f) 情报界指令 701，“机密信息未经授权披露的安全政策指令”，2007 年 3 月 14 日 (g) 国防部指令 5240.06，“反情报意识和报告 (CIAR)”，2011 年 5 月 17 日，经修订 (h) 国防部手册 6025.18，“在国防部医疗保健计划中实施健康保险流通与责任法案 (HIPAA) 隐私规则”，2019 年 3 月 13 日 (i) 《联邦法规》第 45 篇第 160 和 164 部分 (j) 国防部指令 5210.50，“涉及机密信息的严重安全事件管理”，2011 年 10 月17，2014 年，经修订 (k) 国防部手册 5200.01，“国防部信息安全计划”，2012 年 2 月 24 日，经修订 (l) 行政命令 13526，“机密国家安全信息”，2009 年 12 月 29 日 (m) 国家安全局，“信号情报安全条例 (SISR)”，1999 年 5 月 26 日（机密//SI）1 (n) 国家安全电信和信息系统安全咨询备忘录 (NSTISSAM) 2-95，“红/黑安装指南”，1995 年 12 月 12 日2
ShuffleUNet：扩散加权 MRI 的超分辨率......
摘要 — 扩散加权磁共振成像 (DW-MRI) 可用于表征神经组织的微观结构，例如通过纤维追踪以非侵入性方式描绘脑白质连接。高空间分辨率的磁共振成像 (MRI) 将在以更好的方式可视化此类纤维束方面发挥重要作用。然而，获得这种分辨率的图像是以更长的扫描时间为代价的。由于患者的心理和身体状况，较长的扫描时间可能与运动伪影的增加有关。单图像超分辨率 (SISR) 是一种旨在从单个低分辨率 (LR) 输入图像中获得高分辨率 (HR) 细节的技术，通过深度学习实现，是本研究的重点。与插值技术或稀疏编码算法相比，深度学习从大数据集中提取先验知识并从低分辨率对应物中生成优质的 MRI 图像。在这项研究中，提出了一种基于深度学习的超分辨率技术，并已应用于 DW-MRI。 IXI 数据集中的图像已被用作地面实况，并被人工下采样以模拟低分辨率图像。所提出的方法在统计上比基线有显著的改进，并实现了 0.913±0.045 的 SSIM。索引术语 — 超分辨率、深度学习、DWI、DTI、MRI